知识图谱在企业风险上的应用_企业知识图如何主动降低风险

知识图谱在企业风险上的应用

传统的企业风险管理包括对特定领域的React性React,例如网络安全,欺诈检测,法规遵从性和法律遵从性。 通常,目标只是最小化而不是排除任何损害。

但是随着法规的不断扩大和不合规的处罚以及大数据的涌入,这种范式已被覆盖整个企业而不是业务部门的主动风险管理措施所取代。 显而易见的是,几乎所有数据都经过适当的汇总,关联和分析后,才能产生有关潜在威胁的信息。

企业知识图是针对任何特定风险管理目的快速集成和分析所有数据类型的基础。 它们使组织能够根据域来整理数据,而又将域之间的数据关联起来,以进一步了解特定的域威胁。

为了实现全面的用户行为分析,不仅可以收集如何减轻风险和任何适用的损害,还可以防止它发生,因此在内部和外部源之间进行数据访问是必不可少的。

聚合分析

主动的风险管理方法的核心是积极寻找表明潜在威胁的数据 。 对于单个用例(例如欺诈检测),跨域合并数据,组织可以最有效地做到这一点。 在某些情况下,收集尽可能多的数据以聚合它们,识别用户行为模式,查明异常并采取相应措施非常有用。

知识图是这些部署的理想选择,因为它们可以针对特定目的无缝对齐所有数据类型和结构,例如将来自外部交互的数据连接起来以实现最终的客户360度视图。 更好的是,知识图是可链接的,因此网络安全图可以很容易地与销售和市场营销图结合。

一旦根据网络安全需求进行了上下文化,这些额外的数据就可以对该域进行更全面的查看,以进行高级模式识别和异常行为检测。 这种链接的企业数据方法既适用于数据的单个节点,也适用于整个图形,这就是这些工具如何实现跨组织的水平数据访问。 因此,任何变化的数据都可以根据风险管理用例轻松集成和汇总。

丰富的数据增加了背景

一旦组织能够针对任何类型的用例快速组合整个企业的数据,其风险管理能力就会成倍增加。 例如,用于抵消网络安全性的一些最丰富的数据实际上来自交易系统,市场部门和客户域主数据管理中心,此外还包含适用于任何安全工具的标准安全日志数据。 链接此数据以进行用户行为分析可识别典型的和非典型的使用模式。

鉴于这些模式,对当前或最近的交易进行上下文化可以优化网络安全问题,因为组织可以将典型用户的行为与引起怀疑的行为进行比较。 例如,前者可以访问面向客户的金融机构网站以查看最近的交易; 后者可能会在首次登录时立即启动转移或更改地址(电子邮件或物理地址)。有关长期服务的客户最近重置的cookie的营销数据,除了IP地址信息的零星更改之外,在适当的情况下也可能表示未经请求的活动情境化。

所有这些来源的综合为特定客户或组织的一般客户的行为提供了最佳信息。 这种方法还证明了域之间的相关点,因为这些安全性问题中有许多都与欺诈检测有关,并且可能还会产生法律和法规方面的影响。

情境化机器学习

重要的是要意识到仅运行聚合的用户行为分析以进行异常检测的价值是有限的。 许多异常实际上并不是威胁,而只是表示操作或IT配置中的错误。 需要的是能够根据其原因和结果了解这些异常的能力。

企业知识图专门研究数据的上下文理解(与事件和其他方面有关),尤其是在动态机器学习强化的情况下。 他们使用标准数据模型和分类法来理解人们可能不会注意到的数据之间的关系。 当数据含义的这种精细上下文与机器学习结合在一起时,基础算法可以检测出表示任何域风险管理威胁的模式。

例如,机器学习算法可以监视企业网络连接,以检测甚至暗示安全性损害的丝毫违规行为。 通过使用安全主题专家来增强此功能,系统可以增加上下文的附加层,以了解哪些像差确实是威胁。

减轻风险

将企业知识图谱与AI集成到风险管理流程中,可大大提高风险缓解能力。 他们在整个组织中跨域访问数据是上下文相关的用户行为聚合分析的基础。 结果是发现威胁的新能力,而不是一旦出现不合规或数据丢失的情况,就不会做出简单的React。

翻译自: https://www.infoworld.com/article/3301867/how-enterprise-knowledge-graphs-can-proactively-reduce-risk.html

知识图谱在企业风险上的应用

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值